深度學習屬于人工智能的一種，在醫(yī)療領域，它可以準確地利用CT掃描圖像找到大腦供血動脈的阻塞，由于這種阻塞導致的中風占比很大，所以深度學習的使用，將有助于幫醫(yī)生更快地診斷和治療中風患者。

研究人員的目標是盡較大可能減少確診時間，因為盡早治療這種阻塞至關重要。

該研究項目負責人Matthew Stib是位于羅得島州首府普羅維登斯的布朗大學沃倫·阿爾伯特醫(yī)學院放射科的住院醫(yī)生。他表示：“對于這種對時間非常敏感的診斷而言，幾分鐘都很重要。我們在（治療）時間上減少一分鐘都會令患者的無殘障壽命延長一周?！?/p>

CT血管造影掃描是檢測這些阻塞的標準方法，幾分鐘內就可以完成。但通常，只有那些經(jīng)過訓練的放射科醫(yī)生才能識別出現(xiàn)的阻塞，而在醫(yī)院繁忙或沒有常駐專家的情況下，寶貴的時間可能就流失了。

為了減少治療這些患者的時間，Stib及其同事與布朗大學的計算機科學系合作開發(fā)了一種開源深度學習算法系統(tǒng)，可以評估CT圖像及識別大的血管阻塞。

研究人員首先用拍攝的疑似中風患者的數(shù)百張CT圖像對系統(tǒng)進行訓練，然后再做包含62位患者在內的測試模擬，目的是看這個系統(tǒng)是否可以正確識別出患有動脈阻塞的患者。

據(jù)了解，他們還同時用了單相和多相CT血管造影技術，以確定哪種技術與深度學習系統(tǒng)的結合可以提供更好的效果。多相CT血管造影可在掃描過程的多個時間點上拍攝圖像，因此與單相CT血管造影比能提供更詳細的圖像，單相CT血管造影則只取一個時間點。

上述的深度學習系統(tǒng)在分析單相圖像時識別大血管阻塞時的精度僅為中等。但使用多相圖像時，精度則會顯著提高，可以100%地成功識別出阻塞，盡管也錯誤地將陰性對照組中的幾個人（31位患者中的7位）歸為有阻塞類。

Stib表示，“這些結果非常不錯。我們其實就是想優(yōu)化模型的敏感性，確保我們能夠找到每一個陽性患者，因為漏掉一個會有非?？膳碌暮蠊??！彼赋?，深度學習之前也被用來評估CT血管造影圖像，但用深度學習系統(tǒng)評估多相CT圖像卻是首次。據(jù)他所知，此次用到的算法也是首次開源，這意味著，其他研究人員也可以根據(jù)需要使用和開發(fā)這個系統(tǒng)。

未來，研究團隊計劃進一步驗證該系統(tǒng)，他們將在自己的醫(yī)院進行測試，目的是要看這個系統(tǒng)在緊急情況并且有較大數(shù)量患者群體時使用能否達到同樣精度。如果系統(tǒng)的精度可以保持就可以將這個系統(tǒng)推廣到其他醫(yī)院和診所，進而幫助快速診斷疑似中風的患者。

Stib解釋說：“該算法并不能取代放射科醫(yī)生的功能，而只是試圖加快診斷時間……如果放射科醫(yī)生不在周圍或者工作流量太大，患者的檢查結果無法及時處理，這時就會出現(xiàn)警報提示可能存在的阻塞，應該有人跟進?！彼硎?，“我認為未來的放射科醫(yī)生需要接受這項新技術，要認識這項新技術在提高效率和準確性方面的潛在附加價值?！?br /> 責編AJX